Florence 2 Large Ft

🚀 Florence-2: 様々なビジョンタスクの統一表現を進化させる

このモデルは、MicrosoftのFlorence-2モデルをいくつか修正したものです。修正に関するPRは元のモデルで公開されていますが、マージされるまでこのバージョンを使用しています。Florence-2は、プロンプトベースのアプローチを用いて、幅広いビジョンおよびビジョン言語タスクを扱う高度なビジョン基礎モデルです。

🚀 クイックスタート

以下のコードを使って、モデルを始めることができます。

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

model = AutoModelForCausalLM.from_pretrained("microsoft/Florence-2-large-ft", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("microsoft/Florence-2-large-ft", trust_remote_code=True)

prompt = "<OD>"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(text=prompt, images=image, return_tensors="pt")

generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024,
    do_sample=False,
    num_beams=3
)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]

parsed_answer = processor.post_process_generation(generated_text, task="<OD>", image_size=(image.width, image.height))

print(parsed_answer)

✨ 主な機能

• プロンプトベースのアプローチで、キャプショニング、物体検出、セグメンテーションなどのタスクを実行できます。
• FLD-5Bデータセットを利用したマルチタスク学習により、ゼロショットとファインチューニングの両方の設定で優れた性能を発揮します。
• シーケンス-to-シーケンスアーキテクチャにより、柔軟性と汎用性が高いです。

📚 ドキュメント

モデル概要

このHubリポジトリには、MicrosoftのFlorence-2モデルのHuggingFaceのtransformers実装が含まれています。Florence-2は、プロンプトベースのアプローチを用いて、幅広いビジョンおよびビジョン言語タスクを扱う高度なビジョン基礎モデルです。このモデルは、簡単なテキストプロンプトを解釈して、キャプショニング、物体検出、セグメンテーションなどのタスクを実行することができます。

リソースと技術ドキュメント:

• Florence-2技術レポート
• Florence-2-largeモデルの推論と可視化のためのJupyter Notebook

タスク

このモデルは、プロンプトを変更することで、さまざまなタスクを実行することができます。

まず、プロンプトを実行する関数を定義しましょう。

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

model = AutoModelForCausalLM.from_pretrained("microsoft/Florence-2-large-ft", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("microsoft/Florence-2-large-ft", trust_remote_code=True)

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

def run_example(task_prompt, text_input=None):
    if text_input is None:
        prompt = task_prompt
    else:
        prompt = task_prompt + text_input
    inputs = processor(text=prompt, images=image, return_tensors="pt")
    generated_ids = model.generate(
      input_ids=inputs["input_ids"],
      pixel_values=inputs["pixel_values"],
      max_new_tokens=1024,
      num_beams=3
    )
    generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]

    parsed_answer = processor.post_process_generation(generated_text, task=task_prompt, image_size=(image.width, image.height))

    print(parsed_answer)

ここでは、Florence-2が実行できるタスクを示します。

# キャプショニング
prompt = "<CAPTION>"
run_example(prompt)

# 詳細キャプショニング
prompt = "<DETAILED_CAPTION>"
run_example(prompt)

# さらに詳細なキャプショニング
prompt = "<MORE_DETAILED_CAPTION>"
run_example(prompt)

# キャプションからフレーズのグラウンディング
caption to phrase grounding task requires additional text input, i.e. caption. 

Caption to phrase grounding results format: 
{'<CAPTION_TO_PHRASE_GROUNDING>': {'bboxes': [[x1, y1, x2, y2], ...], 'labels': ['', '', ...]}}
task_prompt = "<CAPTION_TO_PHRASE_GROUNDING>"
results = run_example(task_prompt, text_input="A green car parked in front of a yellow building.")

# 物体検出
OD results format: 
{'<OD>': {'bboxes': [[x1, y1, x2, y2], ...], 
'labels': ['label1', 'label2', ...]} }
prompt = "<OD>"
run_example(prompt)

# 密集領域キャプショニング
Dense region caption results format: 
{'<DENSE_REGION_CAPTION>' : {'bboxes': [[x1, y1, x2, y2], ...], 
'labels': ['label1', 'label2', ...]} }
prompt = "<DENSE_REGION_CAPTION>"
run_example(prompt)

# 領域提案
Dense region caption results format: 
{'<REGION_PROPOSAL>': {'bboxes': [[x1, y1, x2, y2], ...], 
'labels': ['', '', ...]}}
prompt = "<REGION_PROPOSAL>"
run_example(prompt)

# OCR
prompt = "<OCR>"
run_example(prompt)

# 領域付きOCR
OCR with region output format:
{'<OCR_WITH_REGION>': {'quad_boxes': [[x1, y1, x2, y2, x3, y3, x4, y4], ...], 'labels': ['text1', ...]}}
prompt = "<OCR_WITH_REGION>"
run_example(prompt)

ベンチマーク

Florence-2のゼロショット性能

次の表は、画像キャプショニングと物体検出の評価タスクにおける一般的なビジョン基礎モデルのゼロショット性能を示しています。これらのモデルは、訓練段階で評価タスクの訓練データにさらされていません。

次の表は、他のビジョン言語評価タスクの性能を続けて比較しています。

Florence-2のファインチューニング性能

Florence-2モデルを一連の下流タスクでファインチューニングし、幅広い下流タスクを実行できる2つの汎用モデル Florence-2-base-ft と Florence-2-large-ft を作成しました。

次の表は、専用モデルと汎用モデルのさまざまなキャプショニングおよびビジュアル質問応答（VQA）タスクの性能を比較しています。専用モデルは各タスクに特化してファインチューニングされていますが、汎用モデルはすべてのタスクに対してタスク非依存の方法でファインチューニングされています。記号 "▲" は、外部OCRを入力として使用していることを示しています。

BibTexと引用情報

@article{xiao2023florence,
  title={Florence-2: Advancing a unified representation for a variety of vision tasks},
  author={Xiao, Bin and Wu, Haiping and Xu, Weijian and Dai, Xiyang and Hu, Houdong and Lu, Yumao and Zeng, Michael and Liu, Ce and Yuan, Lu},
  journal={arXiv preprint arXiv:2311.06242},
  year={2023}
}

📄 ライセンス

このモデルはMITライセンスの下で公開されています。詳細については、ライセンスファイルを参照してください。